Key Takeaways
Korkea epäonnistumisaste: 74 % yrityksistä ei saa tekoälyinvestoinneistaan konkreettista hyötyä, mikä korostaa merkittäviä käyttöönoton haasteita.
Integraation puutteet: Tekoälyn puutteellinen integrointi olemassa oleviin järjestelmiin johtaa usein työmäärän kasvuun ja käyttäjien tyytymättömyyteen.
Datahaasteet: Organisaatiot aliarvioivat datan hallinnan monimutkaisuuden, minkä seurauksena tekoälyjärjestelmät tuottavat heikkolaatuisia tuloksia.
Käyttöönoton sudenkuopat: Sopimattomien käyttöönottomallien valinta voi johtaa tietoturvaongelmiin ja projektien kustannus- ja aikatauluylityksiin.
Inhimillinen tekijä: Riittämätön panostus koulutukseen ja käyttäjien sitouttamiseen johtaa tekoälyn heikkoon käyttöönottoon ja projektien epäonnistumiseen.
AI:n lupaus ei ole koskaan ollut suurempi. Silti karu todellisuus on, että useimmat yritysten AI-hankkeet eivät tuota lupaamaansa arvoa.
Boston Consulting Groupin viimeisimmän tutkimuksen mukaan 74 % yrityksistä ei ole saavuttanut AI:n käytöllä konkreettista arvoa. Vain 4 % on kehittänyt toimintojensa laajuisia huippuluokan AI-valmiuksia, jotka tuottavat johdonmukaisesti merkittävää arvoa, ja lisäksi 22 % on alkanut saavuttaa huomattavia hyötyjä.
Tekoälyn tila -raportti paljastaa yhtä synkkiä tuloksia: kehittyneillä markkinoilla toteutetussa kyselyssä vain 1 % yritysjohtajista kuvailee generatiivisen AI:n käyttöönottoaan "kypsäksi". Laajoista investoinneista ja johdon innostuksesta huolimatta koko organisaation ja tuloksen kannalta merkittäviä vaikutuksia on useimmissa yrityksissä edelleen vaikea saavuttaa.
Kaikkein kuvaavinta on ehkä se, että alle kolmannes organisaatioista noudattaa keskeisiä käyttöönotto- ja skaalauttamiskäytäntöjä, ja alle joka viides seuraa AI-ratkaisujensa tarkasti määriteltyjä KPI-mittareita – käytäntöä, joka korreloi voimakkaimmin positiivisen EBIT-vaikutuksen kanssa.
AI-integraation viisi kuolemansyntiä
#1: Keinot ennen päämääriä
AI:n teknisen vetovoiman lumoamat organisaatiot joutuvat usein ratkaisukeskeisen ajattelun ansaan – ne ottavat käyttöön kehittyneitä AI-ominaisuuksia yksinkertaisesti siksi, että voivat, eivät siksi, että niiden pitäisi.
Viime vuonna konsultoin vähittäiskauppayritystä, joka kuvasti tätä ristiriitaa täydellisesti. Se oli investoinut yli $200,000 NLP-avustajien käyttöönottoon asiakaspalvelukanavissa. Teknologia oli vaikuttava – se pystyi ymmärtämään monimutkaisia kyselyitä, ja se oli koulutettu vuosien asiakasvuorovaikutusaineistolla. Mutta tässä on asian ydin: kukaan ei ollut vaivautunut selvittämään, mihin tiettyihin asiakkaiden ongelmakohtiin sillä vastattaisiin. Kuusi kuukautta käyttöönoton jälkeen käyttöaste oli edelleen surkean alhainen, vain 15 %.
Yritys oli käytännössä kysynyt "miten voimme ottaa AI:n käyttöön?" sen sijaan, että se olisi kysynyt "mitä ongelmia meidän on ratkaistava?"
#2: Tilapäinen integraatio
Kun työkalua on erehdytty pitämään päämääränä, seuraava luontevin virhe on käsitellä integraatiota teknisenä yksityiskohtana, johon perehdytään vasta AI-ratkaisun valinnan jälkeen. Yritykset ihastuvat toimittajien tyylikkäisiin esittelyihin, joissa kaikki näyttää saumattomalta, eivätkä koskaan kyseenalaista uuden teknologian yhdistämisen sotkuista todellisuutta olemassa oleviin järjestelmiin.
Tämä ristiriita näkyy hienovaraisilla tavoilla koko projektin elinkaaren ajan. Huomaat projektiryhmiä, jotka eivät osaa kertoa, mitä tiettyjä API-rajapintoja ne tarvitsevat käyttöönsä tai miten data kulkee järjestelmien välillä. Dokumentaatio keskittyy yksinomaan AI-toiminnallisuuteen, ja siinä tuskin mainitaan, miten se sopii olemassa oleviin työnkulkuihin. Kaikkein paljastavin merkki on kuitenkin epäilemättä se, että toteutusaikatauluissa integraatiotyö sijoitetaan viimeiseen vaiheeseen sen jälkeen, kun keskeiset AI-komponentit on jo otettu käyttöön.
Eräs tuskallinen esimerkki on jäänyt mieleeni. Neuvomani rahoituspalveluyritys oli käyttänyt lähes miljoona dollaria AI-avustajaan, jonka tarkoituksena oli auttaa talousneuvojia valmistautumaan asiakastapaamisiin. Teknologia itsessään toimi täsmälleen luvatulla tavalla – se pystyi analysoimaan asiakkaiden sijoitussalkkuja ja tuottamaan päteviä suosituksia. Se kuitenkin toimi omassa siilossaan täysin irrallaan yrityksen asiakkuudenhallintajärjestelmästä.
Neuvojien oli kopioitava asiakkaiden tiedot manuaalisesti AI-järjestelmään ja siirrettävä sitten sen suositukset takaisin ensisijaisiin työnkulkutyökaluihinsa. Sen sijaan, että ratkaisu olisi säästänyt aikaa, se lisäsi heidän työmääräänsä 22 %. Seurasin, kuinka käyttäjien hyväksyntä romahti, kun neuvojat kehittivät kiertotapoja välttääkseen järjestelmän käytön kokonaan. Kuuden kuukauden ja $1.2 miljoonan jälkeen yritys lopetti projektin.
Have an account? Log In
#3: Datakatkos
AI-avustajat ovat vain niin hyviä kuin data, jota ne voivat käyttää. Organisaatiot aliarvioivat usein tehokkaan AI:n käyttöönoton edellyttämän datan valmistelun, hallinnan ja jatkuvan ylläpidon monimutkaisuuden.
Voit havaita näiden datakatastrofien olevan kehittymässä jo projektin alkuvaiheissa. Tiimit keskustelevat innokkaasti mallien arkkitehtuureista ja käyttöliittymistä, mutta hiljenevät huomattavasti, kun niiltä kysytään tarkkoja kysymyksiä datasta: Kuka vastaa datan laadun ylläpidosta? Kuinka suuresta osasta tietueitanne puuttuu kenttiä? Miten käsittelette eri järjestelmien ristiriitaisia tietoja?
Terveydenhuollon palveluntarjoaja, jota konsultoin, oppi tämän läksyn kantapään kautta. Sen kliinisen dokumentoinnin AI näytti vaikuttavalta valvotuissa esittelyissä, mutta todellisessa käytössä sillä oli vaikeuksia käsitellä hajanaisia potilashistorioita , jotka olivat levittäytyneet useisiin vanhoihin järjestelmiin.
Järjestelmä suositteli itsevarmasti hoitoja ottamatta huomioon lääkeaineallergioita tai tuoreita testituloksia, joita ei ollut integroitu asianmukaisesti. Seurasin lääkäreiden luottamuksen katoavan lähes yhdessä yössä. Eräs lääkäri sanoi minulle: "Käytän enemmän aikaa sen työn tarkistamiseen kuin käyttäisin, jos tekisin dokumentoinnin itse." Toinen myönsi jättävänsä AI:n kokonaan huomiotta: "En voi luottaa johonkin, jolla ei ole kokonaiskuvaa."
Useiden läheltä piti -tilanteiden herätettyä vakavia huolia kliinisistä riskeistä sairaala rajasi järjestelmän käyttöalaa huomattavasti. Aloite, jonka oli luvattu mullistavan kliinisen dokumentoinnin, rajoitettiin hoitamaan perustason hallinnollisia tehtäviä, joten se tuotti ehkä 20 % odotetusta arvosta.
#4: Vedonlyönti käyttöönottostrategian varaan
Asianajotoimisto oli valinnut käyttöönottomallinsa melko huolettomasti ja asettanut etusijalle pilviratkaisun pienemmät aloituskustannukset ja nopeamman toteutusaikataulun. Päätös oli haudattu tekniseen määritysasiakirjaan, jonka vanhemmat osakkaat olivat hyväksyneet ymmärtämättä täysin sen vaikutuksia. Kukaan ei ollut kartoittanut tietovirtoja perusteellisesti tai tehnyt asianmukaista tietoturva-arviointia asiakkaiden luottamuksellisuus huomioiden. Näiden katastrofien kehittyvän vauhdin huomaa hienovaraisista merkeistä.
Asianajotoimistolle seuraukset olivat välittömiä ja vakavia. Useat suuret asiakkaat vastustivat jyrkästi luottamuksellisten sopimustensa käsittelyä kolmannen osapuolen pilviympäristössä salauksesta tai käytössä olevista turvatoimista riippumatta. Toimisto ryhtyi kiireesti kehittämään samasta ratkaisusta paikallisesti asennettavaa versiota, mikä käytännössä merkitsi aloittamista alusta uuden arkkitehtuurin kanssa.
Sen, minkä olisi pitänyt olla kuuden kuukauden toteutus, venyi viiteentoista kuukauteen. Kustannukset yli kaksinkertaistuivat. Aloitetta edistänyt osakaskunta joutui vakavan sisäisen kritiikin kohteeksi, ja IT-osaston uskottavuus kärsi valtavan kolauksen.
Turhauttavinta oli seurata, kuinka he tekivät samoja virheitä myös korjausyrityksen aikana. He heilahtivat vastakkaiseen ääripäähän ja vaativat täysin paikallisesti asennettavaa ratkaisua harkitsematta hybridilähestymistapaa, joka olisi voinut tasapainottaa tietoturvahuolia ja käyttöönoton nopeutta.
#5: Inhimillisen tekijän katvealue
Ensinnäkin tekoälyä otetaan käyttöön ihmisiä varten, ei päinvastoin. Tämä on käytännön todellisuus, jota johtajat harvoin näkevät. Yritykset kohdentavat rutiininomaisesti alle 5 % tekoälyn käyttöönoton budjeteistaan koulutukseen ja muutoksenhallintaan. Olen tarkastellut projektisuunnitelmia, joissa käyttäjäkoulutus koostuu yhdestä yleisestä, kaikille työntekijöille tarkoitetusta tilaisuudesta riippumatta heidän rooleistaan tai siitä, kuinka eri tavoin he saattavat käyttää järjestelmää.
Varoitusmerkit ovat aina nähtävissä, jos niitä etsii. Koulutus esiintyy projektisuunnitelmissa kertaluonteisena tapahtumana jatkuvan prosessin sijaan. Käyttäjätukeen osoitetut budjettivarat ovat vähäisiä tai niitä ei ole lainkaan. Ja ehkä kaikkein paljastavinta on, että käyttäjille on harvoin järjestetty jäsenneltyä tapaa antaa palautetta tai ilmoittaa ongelmista, aivan kuin ihmisten ja teknologian välinen suhde olisi täysin yksisuuntainen.
Diagnostiikkakehys: arvioi tekoälyn käyttöönoton riskisi
Kuinka altis organisaatiosi on näille käyttöönottovirheille? Arvioi riskitasosi jokaisella seuraavista ulottuvuuksista:
| Riskitekijä | Matala riski | Keskisuuri riski | Korkea riski |
| Liiketoiminnan tavoitteiden mukaisuus | Selkeät liiketoimintatulokset ja täsmälliset mittarit | Yleiset liiketoimintatavoitteet tunnistettu | Teknologialähtöinen käyttöönotto |
| Integraation suunnittelu | Kattava integraatiosuunnitelma ja API-strategia | Integraation perusnäkökohdat huomioitu | Integraatiota käsitellään käyttöönoton jälkeisenä tehtävänä |
| Datan valmius | Täydellinen data-arviointi ja korjaussuunnitelma | Osittainen data-arviointi | Muodollista data-arviointia ei ole |
| Käyttöönottostrategia | Kontekstiin sopiva malli ja tietoturvatarkastus | Malli valittu rajallisen arvioinnin perusteella | Kustannuksiin perustuva käyttöönottopäätös |
| Käyttäjien valmistelu | Roolikohtainen koulutus ja palautemekanismit | Peruskoulutus kaikille käyttäjille | Vähäinen käyttäjien valmistelu |
Kompastuskivistä periaatteisiin
Onnistunut tekoälyn käyttöönotto edellyttää ennaltaehkäiseviä toimenpiteitä organisaatioilta, jotka ovat vasta aloittamassa matkaansa, sekä korjaavia toimia niiltä, jotka kohtaavat jo haasteita. Tarkastellaan perusperiaatteita, jotka vastaavat jokaiseen kuolemansyntiin, sekä erityisiä palautumiskeinoja organisaatioille, jotka tarvitsevat suunnan korjaamista.
Periaate 1: liiketoimintalähtöinen, teknologian mahdollistama
Aloita täsmällisistä liiketoimintaongelmista ja käyttäjien työnkuluista ja valitse sen jälkeen teknologiat, jotka vastaavat näihin haasteisiin. Ota liiketoiminnan sidosryhmät mukaan ensimmäisestä päivästä lähtien ja pidä heidät johtavassa asemassa koko käyttöönoton ajan.
Palautumiskeinot:
- Tee jälkikäteinen liiketoiminta-arvon arviointi tunnistaaksesi käyttämättä jääneet mahdollisuudet
- Ota käyttöön hallintorakenne, joka edellyttää liiketoimintaperustelujen vahvistamista kaikille tekoälyominaisuuksille
- Luo liiketoimintavaikutusten koontinäyttö, joka seuraa tuloksia teknisten mittareiden sijaan
- Järjestä säännölliset liiketoiminnan sidosryhmien katselmukset ja anna niille veto-oikeus teknisiin painopisteisiin
Periaate 2: Integraatio suunnittelun lähtökohtana
Tee integraatiosta ensisijainen valintakriteeri kaikille tekoälyratkaisuille. Kehitä kattava integraatiostrategia ennen teknologian valintaa ja määritä selkeät prioriteetit työnkulkuun kohdistuvien vaikutusten perusteella.
Palautumiskeinot:
- Kartoita nykyiset työnkulun häiriöt, jotka johtuvat heikosta integraatiosta
- Kehitä priorisoitu integraation etenemissuunnitelma, joka keskittyy käyttäjien suurimman kitkan aiheuttaviin kohtiin
- Toteuta nopeasti hyötyä tuottavia integraatioita käyttäjien luottamuksen palauttamiseksi
- Harkitse väliohjelmistoratkaisuja tai rajapintojen hallinta-alustoja monimutkaisten integraatiohaasteiden ratkaisemiseksi
Periaate 3: Data perustana
Käsittele datavalmiutta tekoälyn käyttöönoton edellytyksenä. Panosta datan laatuun, hallintaan ja saatavuuteen tekoälystrategiasi perustana.
Palautumiskeinot:
- Tee muodollinen datan laadun arviointi kaikissa keskeisissä tekoälystä riippuvissa järjestelmissä
- Luo selkeät datan omistajuuden ja hallinnan rakenteet sekä määritä vastuut
- Kehitä vaiheittainen korjaussuunnitelma kriittisen datan ongelmien ratkaisemiseksi
- Ota käyttöön jatkuva datan laadun seuranta hälytyksineen laadun heikkenemisen havaitsemiseksi
Periaate 4: Kontekstisidonnainen käyttöönotto
Valitse käyttöönottomallit erityisten tietoturva-, vaatimustenmukaisuus- ja operatiivisten vaatimustesi perusteella, älä pelkästään kustannusten perusteella. Harkitse hybridilähestymistapoja, jotka on optimoitu eri datan arkaluonteisuuden tasoille.
Palautumiskeinot:
- Arvioi käyttöönottomallisi uudelleen kattavan tietoturva- ja vaatimustenmukaisuuskehyksen perusteella
- Ota käyttöön datan luokittelu, joka mahdollistaa hybridikäsittelyn arkaluonteisuuden perusteella
- Kehitä käyttäjille ja sidosryhmille läpinäkyvät datan käsittelyä koskevat käytännöt
- Tehosta tietoturvaan, suorituskykyyn ja saavutettavuuteen liittyvien ongelmien seurantaa
Periaate 5: Ihmislähtöinen toteutus
Panosta kattavaan koulutukseen ja muutoksenhallintaan. Tunnista, että tekoälyn käyttöönotto on yhtä paljon inhimillinen kuin tekninen haaste.
Palautumiskeinot:
- Kerää käyttäjäpalautetta erityisistä ongelmakohdista ja koulutustarpeista
- Kehitä tehtäväkohtaisia koulutusmateriaaleja, joissa keskitytään työnkulkujen integrointiin
- Ota käyttöön tekoälylähettiläsohjelma, jossa on edustajat jokaiselta osastolta
- Luo jatkuvan oppimisen mahdollisuuksia, jotka liittyvät järjestelmäpäivityksiin ja parannuksiin
More Articles
30 päivän pelastussuunnitelma
Jos tekoälyn käyttöönotossasi näkyy jo varoitusmerkkejä, toteuta seuraavat toimet seuraavien 30 päivän aikana:
Viikko 1: Arvioi rehellisesti käyttöönottoasi viiden kuolemansynnin viitekehyksen perusteella. Tunnista ensisijaiset haavoittuvuutesi.
Viikko 2: Kerää käyttäjiltä jäsenneltyä palautetta erityisistä ongelmakohdista ja hyödyntämättä jääneistä mahdollisuuksista. Keskity työnkulkuihin teknologiaominaisuuksien sijaan.
Viikko 3: Kehitä priorisoitu korjaussuunnitelma, joka käsittelee kriittisimpiä haavoittuvuuksiasi. Sisällytä nopeasti hyötyä tuottavia toimenpiteitä vauhdin ja luottamuksen palauttamiseksi.
Viikko 4: Suunnittele hallintorakenteesi uudelleen varmistaaksesi jatkuvan liiketoiminnan omistajuuden ja käyttäjäpalautteen koko tekoälyn elinkaaren ajan.
Miten yksi yritys onnistui tekoälyn integroinnissa
Vaikka monet organisaatiot kamppailevat tekoälyn käyttöönoton kanssa, menestystarinoita on olemassa. Työskentelimme keskikokoisen vakuutusyhtiön kanssa, joka pyrki lyhentämään korvauskäsittelyn aikaa 40 prosentilla ja parantamaan tarkkuutta 15 prosentilla.
Istuimme yhdessä kartoittamaan heidän prosessejaan. Yhdessä viikossa tunnistimme keskeisen pullonkaulan: korvauskäsittelijät käyttivät 60 prosenttia ajastaan dokumentointiin tutkinnan sijaan. Seuraavien kahden viikon aikana laadimme etenemissuunnitelman tekoälyavusteista dokumentointia varten.
Kaksi kuukautta myöhemmin he testasivat tekoälyratkaisua. Kuusi kuukautta tuotantokäyttöönoton jälkeen he olivat lähes saavuttaneet tavoitteensa: dokumentointiin käytetty aika oli lyhentynyt 38 prosentilla ja tarkkuus parantunut 17 prosentilla. Keskeinen oivallus oli aloittaa työnkulun ongelmista eikä tekoälyn ominaisuuksista.
Paranna onnistumismahdollisuuksiasi
Kuten voimme nähdä, onnistumisen ja epäonnistumisen välinen ero ei yleensä johdu itse tekoälyteknologian laadusta. Sen sijaan käyttöönottotapa erottaa ne 26 prosenttia organisaatioista, jotka saavuttavat myönteisiä tuloksia, muista.
Jokainen viidestä tarkastelemastamme kuolemansynnistä edustaa ratkaisevaa päätöspistettä tekoälymatkallasi. Tunnistamalla nämä yleiset sudenkuopat ja soveltamalla vastaavia periaatteita organisaatiot voivat parantaa onnistumismahdollisuuksiaan huomattavasti:
- Korvaa teknologiakeskeisyys liiketoimintalähtöisyydellä
- Nosta integrointi jälkikäteen huomioitavasta asiasta keskeiseksi strategiaksi
- Pidä datavalmiutta olennaisena perustana
- Valitse käyttöönottomallit toimintaympäristön, ei pelkästään kustannusten, perusteella
- Investoi tekoälyn käyttöönoton inhimilliseen puoleen
Keskeiset opit
Tekoälyn integroinnin onnistuminen on jatkuva matka eikä kertaluonteinen projekti. Organisaatiot, jotka suhtautuvat tekoälyyn kehitettävänä strategisena kyvykkyytenä eivätkä nopeana teknisenä korjauksena, menestyvät jatkuvasti kilpailijoitaan paremmin.
On aika rakentaa tämä integrointiin perustuva etu. Tämän oppaan 30 päivän pelastussuunnitelma tarjoaa lähtökohdan, mutta todellinen työ edellyttää jatkuvaa sitoutumista esittämiimme periaatteisiin.
Panokset eivät voisi olla korkeammat: maailmassa, jossa 74 prosentilla organisaatioista on vaikeuksia saada tekoälystä arvoa, liittyminen menestyvään 26 prosenttiin on vuosikymmenen merkittävin kilpailumahdollisuus.
Tilaa The CTO Clubin uutiskirje saadaksesi lisää tietoa tekoälystä.
